《针对高性能协作跟踪和编队目标的分布式迭代学习控制》169页论文

近年来，多智能体系统在工业、军事、家庭和研究领域得到了广泛应用，因而备受青睐。两个常见的目标是让智能体达到物理上的分离（编队），或让它们的状态/输出结合起来等于一个指定的目标（协作）。许多多智能体系统会反复重复执行任务，而一个共同的要求就是以尽可能高的精度实现预期目标。迭代学习控制（ILC）是一种众所周知的方法，它能让重复执行相同任务的系统利用之前尝试收集到的数据提高性能。ILC 已成功应用于协同控制和编队控制问题，但遗憾的是，现有的设计有很大的局限性。首先，算法分别处理每个问题，无法将协作目标和编队目标结合起来。其次，现有的编队控制方法只能处理有限类别的系统和/或通信结构，而且不是基于模型的。因此，它们只能实现缓慢的渐进收敛。已经开发出一种基于模型的控制器来解决协作问题，但它只能用于简单的（相对零度）动力学，对模型的不确定性没有鲁棒性。第三，对现有方案对模型不确定性的鲁棒性分析很少，也没有明确的机制使设计者能够在鲁棒性与性能之间进行权衡。

本论文开发了一个功能强大的新 ILC 框架来解决这些局限性。它适用于一般的线性智能体动力学，并能解决常见的通信架构形式。该框架同时结合了跟踪和编队控制，使设计者有能力从一整类更新中进行选择，而不是采用单一的指定算法。其主要优点是更新结构是分散的，从而简化了设计，扩大了潜在应用领域的范围。收敛特性和鲁棒性能特性被推导出来，并被用于开发一种全面的设计程序，以透明的方式平衡实际的权衡。

然后，将控制结构实验性地应用于康复工程，其中每个智能体对应一块电刺激肌肉，总体目标是辅助运动。实验和模拟结果证实了对人类运动的精确辅助，并说明了分散控制在大幅降低硬件和通信开销方面的效用。